CEO Corner

为什么这是今天的运营决策

精算工作多年来一直使用统计学习和计算近似。新的机会是将这些方法与可以搜索技术材料、协助编码和协调受控分析工作的系统连接起来。这些功能使得重新设计围绕评估的工作成为可能，同时有选择地改进其中的模型。采用不需要等待能够进行精算判断的自治系统。

还有一个具体的治理时间表。 OSFI 最终指南 E-23 于 2025 年 9 月发布，于 2027 年 5 月 1 日生效。它将模型风险管理预期扩展到了联邦监管的金融机构（包括保险公司），并明确涉及人工智能和机器学习。截至本版本，该生效日期仍然提前。我将利用准备期来建立模型清单、所有权和验证证据，涵盖已建立的精算模型和新的人工智能组件。

国际精算协会还发表了有关人工智能治理、测试和文档的教育论文。这些是专业实践的资源，而不是普遍的监管批准。技术机会和不断发展的治理框架共同支持精心设计的采用计划。延迟会带来机会成本：团队推迟了解人工智能在哪里有效、在哪里失败以及需要多少审查。这种学习是针对保险公司的产品、数据和决策的；它不能简单地通过软件许可证稍后购买。

赋予每个AI组件精准的精算角色

在批准投资之前我会区分三个角色。统计学习估计关系：死亡率差异、投降行为、索赔严重程度或费用模式。数值近似加速了昂贵的计算，例如通过一组受控的完整模型运行来估计责任面。生成式人工智能支持使用语言和代码：检索产品条款、提出测试或从批准的输出中起草解释。这些角色需要不同的可靠性证据。

语言模型的流畅解释并不能证明死亡率估计是经过校准的。代理与参考引擎的密切协议并不能证明参考引擎正确地表示了合同。预测模型的强大历史表现并不能证明拟议的管理行动将导致预测的结果。首席精算师在人工智能程序中的首要职责是明确这些区别。

我的首选架构让精算引擎负责指定的计算，让人工智能承担狭义的分析或协调任务，并让授权专业人员负责假设和决策。当人工智能改变数值方法本身时，该组件就会进入模型清单和验证过程。它不会在被描述为助手的应用程序中消失。

在增加其复杂性之前改进假设过程

对于寿险投资组合，死亡率分析从风险构成、达到年龄、持续时间、承保类别、给付金额和报告死亡时间开始。具有曝光偏移的泊松模型、广义加性模型和生存模型提供了有用的、可解释的起点。机器学习可以研究广泛的实际与预期比率所掩盖的相互作用，但稀疏的经验仍然需要可信度和严格的汇集。高度精细的估计不一定是更可靠的假设。

我需要对以后的体验期和相关产品组进行验证，并防止同一保单持有人的信息泄露。我会按部门检查校准、改变业务组合的影响以及对缺失数据的敏感性。拟合过去的死亡率水平和选择未来的死亡率改善是不同的任务。模型可以紧密贴合最近的经验，但几乎无法提供有关长期改进假设的证据。

失效建模值得同样的训练。生存或竞争风险模型可以代表死亡、投降和其他退出；更丰富的模型可以研究信用利率、市场替代方案、退保费用和分配之间的相互作用。然而，历史上的保单持有人行为可能无法涵盖在压力下重要的利率条件或保证激励措施。我会保留对这些差距的明确的情景判断。干预和保留之间的预测关联也需要因果分析才能支持干预策略。

人寿和年金估价必须保留合同

对于简单期限合同，预期现金流量计算使用一致的减量和折扣假设来预测保费、死亡抚恤金和费用。终身寿险和万能寿险引入了额外的依赖性：账户价值、保费灵活性、记入利率、退保价值和保证。年金引入了生存或有付款、可能的担保和保单持有人的选择。人工智能可以帮助组装规范并识别不一致之处，但每个重要的合同功能都必须在翻译成可执行逻辑后仍然存在。

相同的人口变化可能会对不同产品产生不同的财务后果。较低的死亡率通常会延长人寿年金的付款期限，同时减少定期保险簿上的预期死亡索赔。即便如此，保费、费用、失误和保证也会影响总体结果。仅说“死亡率有所改善”的解释是不够的。我希望它能够识别受影响的群体、变化的现金流以及特定估值基础的后果。

IFRS 17 增加了另一个重要的区别。履约现金流量和合同服务边际具有不同的作用；简单毛保费准备金的变化不会自动导致报告利润的变化。处理取决于测量模型、移动来源以及是否与未来或当前和过去的服务相关。我将使用人工智能来帮助追踪会计处理以批准政策并运行证据，并由负责的精算和财务团队审查分类和结论。

更快的随机估值应该带来更多挑战

对于具有材料选项和保证的产品，计算可能会变得更加困难。风险练习可能需要一组外部经济情景和对每个未来状态的内部评估。回归、最小二乘蒙特卡罗和机器学习代理可以降低所选计算的成本。精算师协会发布了关于预测分析和机器学习的实际生活和年金案例研究。这建立了一个可信的研究领域，而不是对某本书的性能保证。

我会在训练代理之前定义其允许的输入域。验证应包括压力状态、风险因素组合和接近保证阈值的合同。它应该检查系统偏差、尾部误差和敏感性估计，而不仅仅是平均拟合。在负债为 CU 100 亿的纯粹说明性投资组合中，0.1% 的系统估值误差代表 CU 1000 万。在考虑错误对对冲或资本的影响之前，看似很小的百分比可能很重要。

参考引擎仍然至关重要。域外情况应触发完整计算或显式异常，并且模型更改应触发代理的重新评估。用于研究未来结果的现实世界情景和用于市场一致估值的风险中性情景有不同的目的；设计必须保留这种区别。我的投资案例会询问保存的计算可以进行多少额外的压力测试。与理解先前未经检查的暴露相比，更快地重复一组狭窄的场景是一个较小的成就。

将负债结果与资产、流动性和资本联系起来

责任估算在改变决定时变得有用。在资产负债管理中，我想问改进的分析是否会改变对久期缺口、关键利率风险、凸性或现金流短缺的解释。久期匹配可以与基差风险、利差风险、非流动资产和保单持有人期权共存。当放弃激励和资产变现成本相互作用时，在普通条件下训练的模型可能最不可靠。

对于资本来说，担忧进一步转向联合尾部。再现平均负债值的代理仍然可能扭曲不利情景的排名、尾部百分位数或跨风险的资本分配。相关性和依赖性假设值得挑战。我会将近似误差与场景抽样误差和基本假设的不确定性分开报告。将所有三者合并为一个无法解释的置信度分数会使结果更难以控制。

同样的原则也适用于人寿保险以外的领域。在财产和意外险储备中，人工智能方法应在相关链梯、Bornhuetter–Ferguson 或其他基准中赢得一席之地，并关注索赔通胀、结算变化和投资组合组合。更高的预测复杂性并不能消除解释为什么所选储备适合业务的需要。

可以回答下一个问题的估值收盘价

考虑一个说明性的年金结算，其中负债意外增加。我希望工作流程能够将新业务和投资组合变动、预期径流、经济变化、经验偏差、假设更新和模型修正分开。受控重播应该确定这些贡献。顺序归因可能取决于应用变更的顺序，因此报告必须说明其惯例并确定实质性的相互作用影响。

人工智能助手可以检索之前批准的基础，找到更改的假设记录，提出所需的重新运行并收集结果证据。只有在获得相关数字输出后，它才能起草评论。如果模型无法协调运动，助手应该暴露未解决的残差。它不应该提供有说服力的经济故事来使表格显得完整。

审查包将包含现金流径流图、变动桥梁、队列经验分析和敏感性比较。每个材料图都将标识其源运行、模型版本和假设基础。叙述将区分计算出的贡献与解释和拟议的行动。这就是我看到的一个重要的近期机会：为精算师提供更好的调查起点和足够的时间来解决第二个问题。

让不确定性和责任变得可见

专业水平应该随着生产速度的提高而提高。 ASOP No. 56 为预期目的、模型理解、测试、验证和文档提供了有用的美国参考。它不能替代当地标准。必须为相关实体和工作确定适用的专业和监管框架。在这些环境中，核心问题仍然是另一位合格的审稿人是否能够理解重大判断和限制。

对于生成人工智能，我会测试不受支持的数字主张、不正确的来源检索、省略的限定条件以及对相互矛盾的证据的回应。我还将测试不受信任的材料是否会导致代理更改其指令或尝试未经授权的操作。访问模型存储库不应意味着有权发布评估。语言模型、检索源、提示或连接工具的更改可能会改变行为并需要相应的重新评估。

对于预测人工智能，监控应将不断变化的数据群体与校准或决策质量的恶化区分开来。投资组合的转变可以改变观察到的结果，而不会导致模型出错；稳定的聚合误差可以隐藏一小部分但重要的群体中不断恶化的性能。如果结果影响客户，则需要具体审查合法使用、公平性和错误后果。仅当指定审稿人有证据、时间和权力对结果提出质疑时，该审稿人才有意义。

前 90 天我会投入什么

我将从一个反复出现的决定及其证据线索开始。生命估值运动审查或年金假设调查是比“使用人工智能”的一般指令更强的起点。确定当前已用时间、精算准备工作、审核人员工作、未解决的例外情况和返工。在选择技术之前商定验收标准，包括如何识别材料错误。

在第一个月，核对所选数据，记录模型和基础，建立历史基准并分配决策权。在第二步中，对历史案例并行运行建议的工作流程，故意包括困难的群体、不利的场景和冲突的文档。第三步，在受控报告周期内对其进行评估，并决定是否延长、修改或停止。九十天是建议的学习期，而不是承诺材料评估模型可以在该时间表上获得批准。

经济评估必须包括整合、计算、验证、持续监控和人工审查。起草过程中节省的时间可以通过检查可能的错误所花费的时间来抵消。我会衡量在决策截止日期之前回答的其他问题、运动解释的质量以及更改后结果的稳定性。我也会保护精算发展：初级同事应该重现计算并解释失败，而不是只学习操作界面。

我现在要做的决定

我现在会授权一个有界精算人工智能程序，有指定的精算所有者、独立的挑战和可衡量的接受标准。我将在申请的同时资助数据和验证工作。我希望第一个结果能够展示更好的调查或更可靠的决策过程，并且局限性显而易见。

长期奖励是精算职能部门能够投入更多的能力来检查假设、测试困难的场景并在期权结束前为业务提供建议。这种能力是通过重复使用、纠正和专业挑战而发展起来的。现在是时候开始了，因为建造它比安装技术需要更长的时间。